Python : un outil clé pour l’analyse des données en traitement des minerais

En traitement des minerais, l’analyse et la visualisation des données opérationnelles font partie du quotidien. On a notamment recours à des histogrammes, à des courbes de tendance, à des comparaisons entre quarts de travail et à des analyses de défaillance pour repérer les comportements inattendus et en comprendre la cause. Dans Excel, ces tâches reposent souvent sur des mises en forme répétitives, des filtres manuels et des formules où les erreurs se glissent facilement, soit autant d’opérations fastidieuses qui deviennent difficiles à gérer lorsque le volume de données augmente.

Python change la donne. Grâce à des bibliothèques comme pandas, matplotlib et seaborn, les équipes peuvent regrouper plusieurs sources de données dans une structure unifiée, automatiser la production de graphiques standardisés et actualiser des analyses complètes en une étape simple, comme l’illustre la figure 1. Cette approche assure non seulement l’uniformité des résultats, mais élimine aussi les tâches manuelles répétitives, ce qui permet d’obtenir plus rapidement des informations fiables pour appuyer la prise de décision opérationnelle.

Les retombées sur la productivité et sur la qualité des analyses se font sentir immédiatement. Au lieu de passer des heures à préparer des graphiques, les équipes peuvent se concentrer sur l’essentiel : interpréter les tendances, valider des hypothèses et trouver des pistes d’amélioration opérationnelle. En plus du gain de temps, Python rend possibles des analyses difficiles à réaliser avec des outils traditionnels comme Excel. Il permet, par exemple, de produire des représentations dynamiques de données temporelles accompagnées d’histogrammes, d’appliquer en quelques secondes des filtres avancés à plusieurs variables et de créer des graphiques de densité qui montrent où se concentrent les données. Ces techniques avancées aident à mieux comprendre le fonctionnement des procédés et à dégager des tendances qui passeraient autrement inaperçues.

Les exemples qui suivent sont tirés de projets réels que BBA a réalisés pour des usines au Canada et au Chili. Les ensembles de données ont été modifiés pour préserver la confidentialité.

Cas 1 – Production automatisée de graphiques opérationnels

Les graphiques opérationnels, comme les tendances de pression, les profils granulométriques, les signaux de niveau ou les comparaisons entre les quarts de travail, jouent un rôle essentiel dans le suivi quotidien et les diagnostics. Dans bien des usines, la mise à jour de ces graphiques dans Excel demande beaucoup de temps aux métallurgistes.

Pour résoudre ce problème, BBA a mis au point une série de scripts Python capables de générer automatiquement :

• des histogrammes et des analyses de distribution;
• des tendances minute par minute et heure par heure;
• des graphiques standard pour chaque quart de travail;
• des graphiques comparatifs pour le suivi hebdomadaire ou mensuel de la performance.

Il suffit de charger un nouvel ensemble de données pour actualiser instantanément les graphiques. Cette approche s’est traduite par une réduction marquée du travail manuel, accompagnée d’un gain de plusieurs heures par semaine sur certains sites, tout en assurant des graphiques cohérents et reproductibles pour les échanges quotidiens sur les activités. Par exemple, la figure 2 illustre un graphique de données temporelles et un histogramme, tous deux générés en moins d’une minute. En automatisant ces tâches, les équipes récupèrent un temps précieux, gagnent en efficacité et peuvent axer leurs efforts sur des activités prioritaires.

Cette automatisation a aussi accéléré les analyses de défaillance en aidant à repérer le moment où les anomalies sont apparues, à isoler les périodes anormales et à établir un lien entre ces anomalies et des conditions d’exploitation précises. Par exemple, la figure suivante met en évidence des variables importantes dans les activités de concassage d’un site minier. Ce type de graphique est essentiel pour faire ressortir les corrélations, surtout lorsqu’il faut analyser plusieurs étapes ou plusieurs sites. Python aide à voir rapidement les tendances selon les quarts de travail ou les périodes saisonnières, sans quoi un tel travail exigerait des heures de manipulation dans les outils traditionnels comme Excel.

Cas 2 – Détection des cycles et analyse par étape

De nombreux procédés métallurgiques fonctionnent par cycles, par exemple les filtres de filtration, les colonnes de désorption du carbone, les fours discontinus, etc. L’analyse manuelle de chaque cycle, la détermination de son début et de sa fin, la séparation des étapes et la comparaison des performances d’un quart de travail à l’autre peuvent être longues et subjectives.

En utilisant Python, BBA a développé un algorithme automatisé de détection des cycles. Illustré à la figure 4, celui-ci peut :

• définir chaque cycle directement à partir des signaux;
• segmenter chaque cycle en ses étapes d’exploitation;
• produire des rapports de performance quotidiens, hebdomadaires et mensuels.

Cette approche a permis d’éliminer les incohérences d’interprétation et de déceler des écarts par rapport aux conditions d’exploitation prévues à la conception qui passaient inaperçus avec les méthodes traditionnelles. Cette visibilité renforce notre compréhension de la stabilité des procédés et met en lumière les optimisations possibles (figure 5).

Cas 3 – Graphiques de densité et corrélations multivariables avancées

Dans Excel, il peut être difficile d’analyser la relation entre des variables comme la valeur P80 et la récupération, surtout lorsque l’ensemble de données est volumineux ou qu’une troisième variable doit servir de filtre.

Grâce à Python, nous avons développé des graphiques de densité et des analyses de corrélation multivariable pour voir :

• les zones où les données sont les plus concentrées;
• l’influence des valeurs aberrantes sur la performance des procédés;
• l’interaction entre les variables dans différentes conditions d’exploitation.

Par exemple, le fait de pouvoir séparer la relation qui existe entre la valeur P80 et la récupération selon la teneur du minerai a montré que la performance optimale était systématiquement atteinte sous un certain seuil de P80, peu importe la teneur du minerai. Cette observation a permis d’affiner les cibles de broyage et de stabiliser les résultats métallurgiques.

Même si Python rend possibles ces analyses poussées, leur interprétation exige une solide expertise des procédés. Chez BBA, les analystes de données et les métallurgistes travaillent de concert pour s’assurer que les conclusions sont techniquement fiables et concordent avec la réalité de l’usine.

Dans l’industrie minière d’aujourd’hui, il faut pouvoir interpréter rapidement de grands volumes de données opérationnelles pour prendre des décisions éclairées en temps opportun. Python s’est révélé un outil puissant pour automatiser l’analyse, réduire les manipulations et améliorer autant la cohérence que le détail des informations sur les activités. Quand l’analyse des données est bien structurée, les ingénieur∙e∙s consacrent moins de temps aux tâches répétitives et plus de temps à comprendre les procédés, à trouver les optimisations possibles et à favoriser une prise de décision fiable.

Ces méthodes gagnent considérablement en efficacité lorsqu’elles s’appuient sur l’expertise en procédés, une bonne compréhension du contexte opérationnel et un cadre analytique rigoureux. Chez BBA, la collaboration multidisciplinaire joue un rôle central dans cette approche. Nos ingénieur∙e∙s des procédés, métallurgistes et spécialistes en automatisation travaillent ensemble pour adapter les outils d’analyse à la réalité des usines, aux stratégies de contrôle et aux objectifs opérationnels. Cette synergie nous permet de concevoir des solutions qui tirent parti de l’analyse des données pour appuyer la prise de décision et améliorer la performance des usines au quotidien.

Ces solutions intégrées aident notre clientèle à améliorer l’efficience et l’efficacité de ses activités en lui fournissant des informations fiables pour guider l’optimisation opérationnelle. Même si le présent article porte sur l’analyse de données plutôt que sur la durabilité, l’amélioration de la stabilité opérationnelle et du contrôle des procédés peut réduire la consommation d’énergie en traitement des minerais.

Pour la suite, l’industrie s’oriente vers l’intelligence des données en temps réel, l’automatisation avancée et la modélisation prédictive, des sujets qui seront abordés dans de futures publications. Python constitue une base solide pour cette évolution, et BBA peut soutenir les opérations dans cette démarche, qu’il s’agisse de stratégie de données, d’automatisation, d’analyse avancée ou d’optimisation métallurgique.